(Este artículo no explica los conceptos básicos de la teoría de las redes neuronales. Para aquellos que no están familiarizados con ellas, antes de leer, le aconsejo que lea para excluir más errores).
La esencia de este texto es
familiarizarse con algunos tipos de redes neuronales que están cubiertas en extensiones de habla rusa, no tan a menudo, si no es que decirlo, extremadamente raramente.
- Las redes neuronales basadas en reglas (redes neuronales basadas en reglas, en adelante RBNN ) son redes neuronales basadas en reglas básicas (como la implicación normal), debido a lo cual, en términos generales, obtenemos un sistema experto listo, sin embargo, ahora ya estamos entrenando.
- Las redes neuronales lógicas podrían atribuirse a un tipo completamente diferente, pero propongo atribuirlas a una de las variedades de RBNN. El concepto de redes neuronales lógicas se describió por primera vez en el trabajo de A. Barsky - "Redes neuronales lógicas".
La idea de las redes neuronales lógicas es establecer en cada neurona de la capa oculta una de las operaciones lógicas: conjunción o disyunción.
Ilustración del libro "Redes neuronales lógicas", p. 241
¿Por qué vale la pena referirse a este tipo de red neuronal con RBNN? Debido a que las operaciones lógicas descritas anteriormente son reglas peculiares que expresan las relaciones de los parámetros de entrada entre sí.
Los conceptos de "reglas iniciales" descritos anteriormente se pueden definir de manera más simple: una base de conocimiento. Para aquellos familiarizados con los sistemas de control Fuzzy, esta definición no será nueva.
La base de conocimiento es el lugar donde se encuentran todas nuestras reglas en la forma de las expresiones "SI X1 Y \ O X2 ENTONCES Y", etc. ¿Por qué mencioné los sistemas difusos? Debido a que la creación del regulador Fuzzy puede representarse como la primera etapa de la creación de RBNN, también porque me impulsaron a la idea de convertir las redes neuronales ordinarias en algo similar.
Supongamos que tenemos una base de conocimiento y un pequeño sistema experto basado en ella. En forma de gráficos, esto podría expresarse de la siguiente manera:
Fuente: www.lund.irf.se/HeliosHome/rulebased.html
Ahora la pregunta es cómo hacer una red neuronal de aprendizaje de este sistema estricto.
Primero, un punto importante es la introducción de un peso en una estructura similar, en cada borde. Cada peso reflejará la probabilidad de la relación de uno u otro elemento con un grupo de otros (por ejemplo, ingrese el parámetro A a la primera neurona de la capa oculta, respectivamente, a la participación en el grupo AB), o a la respuesta X, Y, Z, etc.
Tal vez no sea completamente claro para el lector dónde pueden ser útiles tales redes neuronales; en este caso, daré un ejemplo bastante simple:
Supongamos que no tenemos una gran muestra de datos, sino solo una "opinión
generalizada ". Queremos crear una red neuronal que ofrezca un menú individual para una persona.
Supongamos que no sabemos nada sobre los gustos y preferencias de este usuario, pero aún debe comenzar por algún lado. Hacemos un diagrama
general de un menú típico:
- desayuno de tortilla
- sopa de sopa
- cena de gachas
En consecuencia, en los primeros días, una persona recibe tal menú, pero con la "familiaridad" de la red neuronal con las preferencias del usuario, el peso que conecta el desayuno y la tortilla se reduce, y el peso que conecta el desayuno y la papilla aumenta. En consecuencia, ahora, la red neuronal es "clara" lo que el usuario prefiere exactamente para una u otra comida (en este caso, resulta que a nuestro usuario le gustan las gachas para el desayuno en lugar de los huevos revueltos). Con el tiempo, tal vez las preferencias de una persona cambiarán y la red neuronal se adaptará nuevamente a ellas.
Entonces Como mínimo, los RBNN pueden ser muy útiles en casos donde no hay muestras grandes, cuando no hay ninguna, y también cuando necesitamos un sistema que se adapte completamente a una persona específica. Además, tales redes neuronales son bastante simples, lo que les permite ser utilizadas para educar a otras personas y comprender los efectos de las redes neuronales.
Anteriormente, siempre era habitual decir que la red neuronal es una "caja negra", y que todo lo que está dentro no puede explicarse de manera accesible. Ahora, teniendo la estructura presentada anteriormente, es posible construir una red neuronal que no solo sea efectiva, sino también accesible para comprender el mecanismo que la rodea.